基于多尺度特征和双向距离的叶片型面数据配准方法

专利主权项内容

1.一种基于多尺度特征和双向距离的叶片型面数据配准方法，其特征在于，包括如下步骤：步骤1：叶片多视场轮廓数据的采集及初步重建；调整线结构光传感器位姿使其激光面与叶片的底部平行，线结构光传感器以Z轴为扫描方向前进对叶片轮廓进行扫描获取叶片轮廓数据，然后调整线结构光传感器回到初始位置并转动转台，再以Z轴为扫描方向对叶片型面进行扫描获取叶片轮廓数据，重复操作，直到完成叶片型面扫描，最后将获取的所有叶片轮廓数据初步对齐进行三维型面重建；步骤2：相邻视场叶片轮廓数据的双向距离信息的提取；根据步骤(1)得到的初步重建结果，提取相对完整的型面区域数据参与配准；将相邻视场的两个轮廓数据分别定义为目标点云和源点云/>，通过最近邻搜索方法建立源点云中的每一点的双向对应关系和目标点云/>中的每一点的双向对应关系；目标点云和源点云/>的前向对应关系/>和/>如下：
，式中，为在第k次迭代中源点云/>中第i个点/>在目标点云/>中搜索到与其前向距离最小的对应点；/>为在第k次迭代中目标点云/>中第j个点/>在源点云/>中搜索到与其前向距离最小的对应点；M为目标点云/>中的点的总数量，N为源点云/>中的点的总数量，(/>，/>)为第k-1次迭代中求解出的变换参数；目标点云和源点云/>的后向对应关系/>和/>如下：
>式中，为以前向对应点/>为参考反向搜索在源点云/>中与其距离最近的点；为以前向对应点/>为参考反向搜索在目标点云/>中与其距离最近的点；M为目标点云/>中的点的总数量，N为源点云/>中的点的总数量，(/>，/>)为第k-1次迭代中求解出的变换参数；每个对应点对应的双向距离比值为：，式中，为源点云/>与目标点云/>对应关系的前向距离和后向距离比值，，N为源点云/>中的点的总数量，k为第k次迭代；/>为以源点云中第i个点，/>为在第k次迭代中源点云/>中第i个点/>在目标点云/>中搜索到与其前向距离最小的对应点，/>为以前向对应点/>为参考反向搜索在源点云/>中与其距离最近的点；/>为目标点云/>和源点云/>对应关系的前向距离和后向距离比值，，M为目标点云/>中的点的总数量；/>为目标点云中第j个点，/>为在第k次迭代中目标点云/>中第j个点/>在源点云/>中搜索到与其前向距离最小的对应点，为以前向对应点/>为参考反向搜索在目标点云/>中与其距离最近的点；根据双向距离比值计算重叠内点概率为：/>，式中，为在第k次迭代中源点云中第i个点/>在双向距离中的重叠内点概率，/>为源点云/>与目标点云/>对应关系的前向距离和后向距离比值；/>为在第k次迭代中目标点云中第j个点/>在双向距离中的重叠内点概率，/>为目标点云/>和源点云/>对应关系的前向距离和后向距离比值；步骤3：目标点云和源点云/>的多尺度特征的提取；步骤3-1：以源点云中的点/>为参考点，设有/>个支撑半径，且支撑半径，根据支撑半径定义/>个支撑区域/>，在每个支撑区域内计算所有点到参考点/>的距离/>；步骤3-2：计算多尺度距离权重，/>为支撑半径，/>以支撑半径/>建立的支撑区域内所有点到参考点的距离；步骤3-3：对支撑区域内的所有点进行加权，/>为加权后所有点构成的支撑区域，/>为权重；步骤3-4：构造协方差矩阵；步骤3-5：对协方差矩阵进行分解得到三个特征值，且特征值，计算特征值的归一化向量/>；步骤3-6：按照步骤3-1到步骤3-5计算出目标点云中匹配点/>的特征值向量/>；并对特征值向量进行归一化处理，
，式中，为点/>的特征向量值，/>、/>、/>为点/>构建的协方差矩阵/>分解得到的特征值；/>为点/>的特征值向量，/>、/>、/>为点/>构建协方差矩阵分解得到的特征值；步骤3-7：使用不同支撑半径内的特征值向量作为对应点的特征描述，并使用它们的差来衡量匹配点之间不同尺度下的局部结构特征的相似性；向量的差；基于对应点之间的特征差异，其中，/>为欧几里得距离，为不同支撑半径内的特征值向量，L为支撑半径的数量；步骤3-8：对特征差异进行归一化处理，
，式中，为点/>与其匹配点/>之间特征差异的归一化值，/>为点/>与其匹配点之间的特征差异，/>为源点云/>中特征差异最大值，/>为点/>与其匹配点之间特征差异的归一化值，/>为点/>与其匹配点/>之间的特征差异，为目标点云/>中特征差异最大值；根据特征差异构建对应点在特征层面的匹配概率：
，式中，为在源点云中第i个点/>与其匹配点/>在多尺度特征中的匹配概率，/>为点/>与其匹配点/>之间特征差异的归一化值，/>为在目标点云中第j个点/>与其匹配点/>在多尺度特征中的匹配概率，/>为点/>与其匹配点/>之间特征差异的归一化值，/>为预设参数；步骤4：基于多尺度特征和双向距离的叶片型面扫描数据配准；步骤4-1：对相邻视场轮廓数据重新构造点云和/>，
，/>，/>为源点云中第i个点，为在目标点云中的点在源点云中搜索到的最近邻点；
，/>，/>为在第k次迭代中源点云/>中第i个点/>在目标点云/>中搜索到与其前向距离最小的对应点，/>为原始的目标点云中的点；
，D为点云/>和/>中点的数量，M为目标点云/>中的点的总数量，N为源点云中的点的总数量；两个点云和/>对应的重叠内点概率/>和匹配概率/>：
，
，式中，为点云/>和/>中第i个对应点的重叠内点概率，/>为在第k次迭代中点云/>中第i个点在双向距离中的重叠内点概率，/>在第k次迭代中点云/>中第i-N个点在双向距离中的重叠内点概率；/>为点云/>和/>中第i个对应点在特征层面上的匹配概率，为在点云/>中第i个点在多尺度特征中的匹配概率，/>为在点云/>中第i-N个点在多尺度特征中的匹配概率；步骤4-2：通过最小化加权目标函数计算最优变换参数，
，式中，为目标函数，(/>，/>)为第k次迭代的变换参数，/>为点云X中第i个点，为点云Y中第i个点，/>为融合了双向距离与多尺度特征差异信息的混合权重，/>为预设的混合权重占比系数，/>为点云/>和/>中第i个对应点的重叠内点概率；/>为点云/>和/>中第i个对应点在特征层面上的匹配概率；步骤4-3：根据步骤(4-2)计算出的最优变换参数对叶片型面扫描数据配准。。来源：马 克 团 队